Comparación de modelos de riesgo de crédito modelos logísticos y redes neuronales
dc.contributor.advisor | Montenegro García, Álvaro Antonio | |
dc.contributor.author | Ladino Becerra, Iván Camilo | |
dc.date.accessioned | 2015-02-02T17:49:08Z | |
dc.date.accessioned | 2016-03-29T14:42:03Z | |
dc.date.accessioned | 2020-04-16T19:38:18Z | |
dc.date.accessioned | 2023-05-11T19:22:39Z | |
dc.date.available | 2015-02-02T17:49:08Z | |
dc.date.available | 2016-03-29T14:42:03Z | |
dc.date.available | 2020-04-16T19:38:18Z | |
dc.date.available | 2023-05-11T19:22:39Z | |
dc.date.created | 2014 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12032/114014 | |
dc.description.abstract | Analizar el riesgo de crédito es importante para las instituciones financieras en cuanto disminuye las pérdidas asociadas a su labor de intermediación. Para el caso de productos masivos en donde se deben tomar decisiones sobre miles de solicitantes, las instituciones financieras no pueden tomar decisiones cliente a cliente y optan por automatizar sus decisiones con sistemas de credit scoring, y con ello facilitar y acelerar la toma de decisiones (Islam, Lin, y Fei, 2009). Dicho sistema de decisión usualmente busca clasificar los clientes potenciales entre Buenos y Malos a partir de su comportamiento histórico. Para dicho propósito se han desarrollado modelos y algoritmos los cuales incluyen regresiones lineales, logísticas, algoritmos genéticos, redes neuronales, Support Vector Machines, entre otras técnicas (Yu, Wang, Lai, y Zhou, 2008). | spa |
dc.format | spa | |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Pontificia Universidad Javeriana | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Comparación de modelos de riesgo de crédito modelos logísticos y redes neuronales | spa |
Files in this item
Files | Size | Format | View |
---|---|---|---|
LadinoBecerraIvanCamilo2014.pdf | 716.3Kb | application/pdf | View/ |